| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 搜索日志分析的主要挑战 | 第13-14页 |
| 1.4 论文的主要研究内容和创新点 | 第14页 |
| 1.5 本文的组织结构 | 第14-16页 |
| 第2章 基于搜索日志的相关研究基础 | 第16-29页 |
| 2.1 研究现状 | 第16-22页 |
| 2.1.1 查询分类和聚类的相关概念 | 第16-17页 |
| 2.1.2 特征提取 | 第17-19页 |
| 2.1.3 词向量与Word2Vec模型 | 第19-20页 |
| 2.1.4 查询分类方法 | 第20-22页 |
| 2.2 数据集及相关工具 | 第22-28页 |
| 2.2.1 常用数据集 | 第22-23页 |
| 2.2.2 实验数据集分析 | 第23-25页 |
| 2.2.3 分词工具 | 第25-26页 |
| 2.2.4 大数据平台介绍 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 融入用户点击URL的Word2Vec用户聚类 | 第29-41页 |
| 3.1 问题引出 | 第29-30页 |
| 3.2 融入用户点击URL的ISKHC算法 | 第30-34页 |
| 3.2.1 SKHC算法 | 第30-31页 |
| 3.2.2 融入用户点击URL的ISKHC算法 | 第31-34页 |
| 3.3 基于Spark的ISKHC算法实现 | 第34-36页 |
| 3.4 实验与评估 | 第36-40页 |
| 3.4.1 实验环境 | 第36-37页 |
| 3.4.2 实验结果评价指标 | 第37页 |
| 3.4.3 实验结果 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于Spark平台的查询意图分类 | 第41-57页 |
| 4.1 问题引出 | 第41-42页 |
| 4.2 查询意图分类体系构建 | 第42页 |
| 4.3 基于委员会的主动学习算法 | 第42-49页 |
| 4.3.1 基于CART的委员会 | 第44-46页 |
| 4.3.2 基于朴素贝叶斯的委员会 | 第46-47页 |
| 4.3.3 基于改进K-Means的n EQB | 第47-49页 |
| 4.4 基于Spark的算法实现 | 第49-51页 |
| 4.5 实验与评估 | 第51-56页 |
| 4.5.1 数据处理 | 第51-52页 |
| 4.5.2 实验设计 | 第52-53页 |
| 4.5.3 评估指标 | 第53-54页 |
| 4.5.4 实验结果与评估 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 本文总结 | 第57-58页 |
| 5.2 下一步研究工作 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |